Il s'agit de mettre en commun les approches systèmes pour définir quelle approche système est adaptée au niveau d'une application au sein du pôle SIAME. A terme un travail analogue doit être réalisé auprès du pôle CSEE. Nous avons développé une approche « Systèmes Autonomes » où la recherche d’autonomie se situe au niveau informationnel. Nous présentons quelques exemples d’actions envisagées. En rejoignant SATIE, l’autonomie prend une dimension énergétique prépondérante et nous proposons quelques actions.
Systèmes Autonomes en termes d’information
L'approche Systèmes Autonomes s'intéresse aux mécanismes par lesquels le système peut apprendre de l’homme et réciproquement l’homme apprendre du système. Beaucoup de systèmes sont conçus à partir de concepts bio inspirés. Une fois construits, ils sont dotés de leurs propres caractéristiques et donc complexité. Cette complexité apparente peut être surmontée en apprenant à l’homme une façon d’interagir avec de tels systèmes. En revanche, la complexité intrinsèque au système incombe à ses concepteurs. Elle sera maitrisée en apprenant de l’homme ses comportements et particulièrement en situation critique. On parle alors de conception mutuellement inspirée. Le dilemme « Gestion efficace de l’énergie » vs. « Mobilité » constitue un exemple de difficulté que va rencontrer l’usager pour gérer l’autonomie de son véhicule électrique.
Nos travaux comptent exploiter conjointement plusieurs leviers pour ouvrir les verrous scientifiques suivants :
- Théoriques
o L’adaptabilité permet de modifier sa configuration en fonction d’un contexte dynamique.
o La fiabilité et l’auto-évaluation de l’incapacité immédiate à accomplir une tâche nécessitent de définir des mesures de viabilité des modèles actuels, relevant de théories de l’incertain.
o La conscience de son état, considérée via des flux d’information internes (bus de terrain) et externes (réseaux) conduit à définir pour un tel système une cognition[1] dite augmentée.
o La robustesse, requise par la complexité des systèmes envisagés (leur modélisation est approximative et les traitements imparfaits) mais aussi par le caractère dynamique du contexte.
- Méthodologiques
o Le maintien d’une disponibilité ‘permanente’ pour une échelle de temps définie.
o Le couplage de fonctions temps réel avec la boucle perception/décision/contrôle.
o Améliorer le degré d'autonomie permet de réduire l’assistance nécessaire. Il est indissociable de l’auto-organisation, qui maintient un comportement global fonction du but.
- Technologiques
o L’optimisation des traitements embarqués est fondamentale. L’embarquabilité est une condition de l’autonomie, parce qu’elle conditionne les capacités du système à assurer sa mission.
o Le prototypage matériel et logiciel prend en compte le contexte. Des outils de prototypages (simulation /émulation HIL) sur table permettent la validation des modèles en amont.
- Sociétaux
o Il faut gérer l’équilibre entre ce qui relève de la formation de l’usager ou de l’émulation sur le véhicule. On évoque ici une double adaptation : de l’usager (apprendre à l’homme) ou du véhicule (reproduire ou émuler des comportements acceptés par l'homme). Il faut mettre en place une simulation efficace de l’interaction Véhicule Usager Environnement pour apprendre de et à l’homme les comportements pertinents (dits « asservissements sociétaux »).
o La conduite d’un véhicule électrique exige de l’usager l’intégration d’un comportement cohérent avec la technologie.
o Le comportement de l’usager obéit à un code répertorié. Une approche de l’asservissement du véhicule est issu de l'étude de ce comportement en phase de conduite explicitant l’interaction chez l’usager entre règles intrinsèques (assurant sa conduite) et extrinsèques (attitude face au contexte externe, incluant les autres usagers).
Systèmes d'Aides à la conduite
L’exemple phare est la problématique des ADAS, à savoir : conception, caractérisation et implantation d'un ensemble de sous-systèmes pour l'autonomie de conduite dans les trois usages : parking, usage urbain et autoroute. Ces sous-systèmes sont multiples et utilisent des algorithmes de traitement d'images, de localisation, de filtrage et fusion de données, en fonction des capteurs présents sur chaque véhicule (caméras mono/stéréo, lidar, radar, ultrasons, GPS, capteurs odométriques, centrales inertielles ...). La démarche d'optimisation d'un système complet compare leurs implantations sur différentes architectures. Les défis scientifiques sont liés à leur diversité, à laquelle s'ajoutent les contraintes de responsabilité technique, sociale et juridique.
Défi 1 : renforcer la consistance et la robustesse des algorithmes de perception. Associé aux thèmes scientifiques des algorithmes de traitements utilisés (perception, tracking, identification, SLAM, fusion de données), ce défi est déjà présent dans les thèmes estimation et perception. Cela se traduit par un aspect d'auto-diagnostique vis-à-vis des données aberrantes, biaisées ou conflictuelles.
Défi 2 : Mise en œuvre d'ADAS sur Systèmes embarqués. Une deuxième catégorie de défis est liée à l'utilisation de systèmes embarqués, nécessitant la modélisation et la prédiction de leurs performances sur des cibles matérielles. L'assurance d'un comportement prévisible, fiable et d'une exécution stable, en temps borné est ce qui valide ou non un ADAS. Nos travaux continuent les travaux en cours sur les démonstrateurs : j Évolution et poursuite de la collaboration avec l'IRT SystemX dans le projet ELA avec une validation des algorithmes stéréoscopiques sur architectures embarquées cibles[2] ; k Implantation, validation d'algorithmes ADAS sur le véhicule Zoé avec mise en place de mesures de fiabilité d'algorithmes et validation de la méthodologie de portage sur cibles HW.
Les perspectives à moyen terme visent un système fiable et complet. Cela nécessite d’instancier de nouvelles applications de plus en plus complexe dans un véhicule de démonstration et d'identifier les verrous scientifiques et technologiques dans la mise en place d'une autonomie fiable et disponible dans une grande variabilité des conditions réelles.
Smart guide pour musée.
Un premier exemple de diversification porte sur la conception d'un smart guide pour la visite de musée. Un premier travail porte sur l'autonomie intrinsèque à conférer à un assistant digital pour lui donner une quasi autonomie locale (localisation, diffusion d'information sur les pièces en vue de l'utilisateur, planification de trajectoire pour rejoindre une salle…). Il faut ensuite créer le système d'assistance centralisé ou distribué qui va lui conférer une autonomie augmentée (réguler les flux à l'intérieur du musée, …). L'ensemble est basé sur une instrumentation embarquée d'une part et sur un système de balises, amers et communications d'autre part. Au cours de la conception de ce système, il s'agit d'optimiser les performances (précision, robustesse, énergie) tout en s'assurant de l'acceptabilité par l'usager du système conçu.
Autonomie informationnelle et énergétique
Nous présentons 3 actions possibles mélangeant traitement de l’information et optimisation de l’énergie. Un premier point aborde les problèmes d’optimisation de l’énergie en fonction de l’usage. Un deuxième point concerne la gestion de l’énergie en fonction des missions du véhicule. Le troisième point traite de façon plus générale de l’efficacité énergétique et la supervision par systèmes autonomes dans des applications plus variées.
Instrumentation d’un banc de test pour l’optimisation énergétique lors de l’usage d'un actionneur.
Le concepteur de chaine de propulsion part d’un cahier de charge imposé et conditionne la chaine en conséquence. Le superviseur dispose d’une chaine imposée et adapte la sollicitation aux usages. Le besoin d’un banc d’essais destinés à la caractérisation des systèmes de transports et comportant un émulateur de charge type véhicule découle alors du besoin de valider des optimisations de composants embarqués et fonctionnant selon des cycles et usages prédéfinis. Ce banc est dynamique, équipé par des moyens de mesures performants, et permet de mesurer les puissances instantanées et moyennes et les grandeurs électriques, mécaniques et thermiques (tensions, courants, couples, accélérations. L’optimisation énergétique lors de l’usage est une préoccupation nécessaire pour le véhicule électrique. L’émulation d’actionneurs (Hardware in the loop) par calcul numérique impose de la puissance de calcul pour la boucle d’itération du modèle simulant l’actionneur. L’accélération des calculs (étudiée en termes d’Adéquation Algorithme Architecture) devra être suffisante pour avoir un rendu temps réel du comportement de l’actionneur (par rapport aux fréquences des acquisitions capteurs).
Ecological Driving Assistance Systems.
Une nouvelle problématique traite des techniques pour la conception des Systèmes Avancés d’Aide à l’Eco-conduite (EDAS en anglais). Les EDAS cherchent un compromis entre confort, sécurité et économie d’énergie à partir des mesures détenues par le système embarqué (autonomie intrinsèque). Le constat des études montre un fort impact des ADAS dans la consommation énergétique. Certaines stratégies impactent la sécurité (conserver une vitesse de régime est énergétiquement efficace mais augmente le risque de collision). La fusion d’informations et la modélisation des imprécisions sur l’état du système (énergie, capteurs, actionneurs, ...) ou externe (contraintes, obstacles) estiment en temps réel l’autonomie du système de manière robuste et encadrée. Le système produit et transforme de l’énergie électrique, de même pour l’information. Lors de l’accomplissement de sa mission, les contraintes mettent en lumière le transfert de ressources entre information et énergie pour trouver la solution optimale. Superviser nécessite une conscience de l’autonomie sachant la consommation de l’énergie difficilement prédictible (chauffage, chemins énergivores …) et agissant comme une perturbation énergétique (en consommation et en apport). Nous proposons de participer à la définition d'un service d'assistance externe dont le rôle est d'atteindre un niveau d'autonomie augmentée que ce soit au niveau énergie ou en termes de décision quand l'autonomie intrinsèque du véhicule est insuffisante.
Efficacité énergétique et supervision par systèmes autonomes
Par extension, plusieurs réflexions concernent l'efficacité énergétique et la supervision par systèmes autonomes pour des applications de type : Production décentralisée en sites isolés et en bout de ligne, Systèmes nomades (Mems, capteurs ou actionneurs embarqués dans le corps humain), Autoproduction d’énergie renouvelable, Bâtiments basse consommation, Systèmes à récupération d’énergie.
Si nous nous intéressons au parallèle (potentiel) entre Information et Énergie, des questions conceptuelles se posent :
- Du point de vue du contrôle, les deux génèrent une action, leur bouclage permet de réguler une consigne.
- Un exemple de couplage est donné par les systèmes nomades. Communiquer coûte de l’énergie. En prévision de pénurie d’énergie, deux solutions sont envisagées, à savoir dégrader la communication pour envoyer juste une alarme ou stocker en attente de contexte plus favorable (borne plus proche ou apport d’énergie).
- Un autre exemple peut être la conception d’un système de surveillance distribué à base de réseau de capteurs. Un intrus est caractérisé par une piste. Les messages sont routés par les nœuds. Quand la piste évolue, son traitement change de nœud. Quelle est l’information à transmettre de nœud en nœud permettant au pistage de fonctionner tout en optimisant la survie du système en termes d’énergie et de discrétion ? Certaines ressources gourmandes en énergie sont endormies et réveillées par des capteurs et leur unité de calcul associée. Quand faut-il les réveiller et comment mesurer la quantité d’information espérée vis-à-vis d’un coût énergétique ?